Cotton Price Long-Term Time Series Forecasting : A look at Transformers Suitability

Salazar Escobar, Carlos Enrique

Cotton Price Long-Term Time Series Forecasting : A look at Transformers Suitability

dc.contributor.advisor	Olarte, Tomás
dc.contributor.author	Salazar Escobar, Carlos Enrique
dc.coverage.spatial	Medellín de: Lat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degrees Long: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees	eng
dc.creator.degree	Magíster en Ciencias de Datos y Analítica	spa
dc.creator.email	csalazar@eafit.edu.co
dc.date.accessioned	2024-08-20T21:21:17Z
dc.date.available	2024-08-20T21:21:17Z
dc.date.issued	2024
dc.description	En los últimos años, se ha observado un aumento de modelos basados en Transformers para la predicción de series temporales a largo plazo (LTSF, por sus siglas en inglés). Estos modelos han demostrado resultados impresionantes en el Procesamiento de Lenguaje Natural (PNL) y la Visión por Computadora (CV), pero su eficacia para capturar el orden temporal crucial inherente a los datos de series temporales sigue siendo una incógnita. Este trabajo investiga la idoneidad de los modelos basados en Transformers para la predicción de precios de productos básicos a largo plazo, replicando el trabajo presentado en "¿Son efectivos los Transformers para la predicción de series temporales?" por Zeng et al. (2022). Nuestro objetivo es evaluar su efectividad en comparación con modelos base más simples y analizar sus limitaciones para capturar dependencias de largo alcance. Al profundizar en estas limitaciones, esta investigación busca contribuir al desarrollo de modelos de predicción más efectivos para la predicción de precios de productos básicos.
dc.description.abstract	Recent years have witnessed a surge of Transformer-based models for long-term time series forecasting (LTSF). These models boast impressive results in Natural Language Processing (NLP) and Computer Vision (CV), but their effectiveness in capturing the crucial temporal order inherent in time series data remains a question. This work investigates the suitability of Transformer-based models for long-term commodity price prediction, by replicating the work presented in "Are Transformers Effective for Time Series Forecasting?" by Zeng et al. (2022). We aim to evaluate their effectiveness compared to simpler baselines and analyze their limitations in capturing long-range dependencies. By delving deeper into these limitations, this research seeks to contribute to the development of more effective forecasting models for commodity price prediction.
dc.identifier.uri	https://hdl.handle.net/10784/34342
dc.language.iso	spa	spa
dc.publisher	Universidad EAFIT	spa
dc.publisher.department	Escuela de Ciencias Aplicadas e Ingeniería. Área Computación y Analítica	spa
dc.publisher.place	Medellín
dc.publisher.program	Maestría en Ciencias de los Datos y Analítica	spa
dc.rights	Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0)	spa
dc.rights.accessrights	info:eu-repo/semantics/openAccess	eng
dc.rights.local	Acceso abierto	spa
dc.rights.uri	http://creativecommons.org/licenses/by/4.0/deed.es
dc.subject	LTSF
dc.subject	Predicción de series temporales a largo plazo
dc.subject	Series de tiempo
dc.subject.keyword	LTSF
dc.subject.keyword	Transformers
dc.subject.keyword	Transformer-based
dc.subject.keyword	Long-term forecasting
dc.subject.keyword	Time Series
dc.subject.lemb	CIENCIA DE LA INFORMACIÓN
dc.subject.lemb	PRECIOS
dc.subject.lemb	ANÁLISIS DE SERIES DE TIEMPO
dc.title	Cotton Price Long-Term Time Series Forecasting : A look at Transformers Suitability
dc.type	masterThesis	eng
dc.type	info:eu-repo/semantics/masterThesis	eng
dc.type.hasVersion	acceptedVersion	eng
dc.type.local	Tesis de Maestría	spa
dc.type.spa	Artículo